Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
INGEGNERIA CIVILE
Insegnamento
BIG DATA ANALYTICS DATA MINING FOR ENGINEERS
INP9087244, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
INGEGNERIA CIVILE
IN0517, ordinamento 2017/18, A.A. 2019/20
N0
porta questa
pagina con te
Curriculum SISTEMI E INFRASTRUTTURE DI TRASPORTO [004PD]
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese BIG DATA ANALYTICS DATA MINING FOR ENGINEERS
Dipartimento di riferimento Dipartimento di Ingegneria Civile, Edile e Ambientale (ICEA)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo NON è possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta Insegnamento riservato SOLO agli iscritti al corso di INGEGNERIA CIVILE

Docenti
Responsabile ROSA ARBORETTI GIANCRISTOFARO SECS-S/01

Mutuazioni
Codice Insegnamento Responsabile Corso di studio
INP9087244 BIG DATA ANALYTICS DATA MINING FOR ENGINEERS ROSA ARBORETTI GIANCRISTOFARO IN0517

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative SECS-S/01 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Syllabus
Prerequisiti: Aver seguito un corso di Statistica di base.
Conoscenze e abilita' da acquisire: Introdurre lo studente alle principali tecniche statistiche di Big Data analytics e Machine Learning nell'ambito dei contesti in cui sorge spontaneo il loro utilizzo facendone comprendere sia i fondamenti teorici che la loro adeguata applicazione a problemi concreti.
Modalita' di esame: L'esame consiste in una prova scritta al computer relativa ad una analisi di dati con metodi di Machine Learning.
Criteri di valutazione: La preparazione dello studente sarà valutata sulla base del grado di conoscenza dei principi teorici e delle applicazioni delle metodologie statistiche presentate all'interno dell'insegnamento.
Contenuti: Questo corso si focalizza sull’analisi statistica dei dati originati da processi di ingegneria al fine di consentire l’estrazione di conoscenze e di supportare le azioni decisionali. A tal scopo, vengono introdotte due classi di modelli e metodi statistici: machine learning e data mining.
Con machine learning ci si riferisce ad algoritmi e modelli statistici utilizzati allo scopo di migliorare progressivamente le loro performance sia riguardo ad uno specifico compito assegnato sia al fine di ottenere delle previsioni senza la necessità di essere ri-programmati esplicitamente. Il data mining è costituito da un insieme di tecniche e metodologie che hanno per oggetto l'estrazione di informazioni utili da grandi volumi di dati digitali, sia attraverso metodi automatici sia semi-automatici.
In accordo al moderno paradigma della data-driven innovation, il corso intende introdurre in modo pratico ai metodi e modelli statistici necessari per affrontare le imminenti sfide poste dai sistemi complessi e dal continuo cambiamento tecnologico e di processi di business. Questo corso si concentra inoltre su concetti, principi e tecniche di ampia portata e stabilisce una linea di base che può essere applicabile a qualsiasi ambiente tecnologico e industriale. Il corso è orientato all'analisi pratica dei processi di ingegneria per mezzo del software KNIME, come strumento principale per l'analisi statistica dei dati.
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni frontali ed esercitazioni anche mediante l'utilizzo di slide e materiale preventivamente fornito agli studenti, oltre ad esercitazioni in laboratorio informatico con uso di software statistico.
Eventuali indicazioni sui materiali di studio: Slide e materiale fornito dal docente e libri di testo.
Testi di riferimento:
  • Montgomery, Progettazione e analisi degli esperimenti.. Milano: McGraw-Hill, 2005. Cerca nel catalogo
  • Levine, D.M., Krehbiel T.C., Berenson M.L., Statistica. Milano: Pearson, 2010. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study
  • Interactive lecturing
  • Working in group
  • Problem solving

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • Minitab, Knime

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Industria, innovazione e infrastrutture